Beruflich Dokumente
Kultur Dokumente
N = tamaño de la población
z = nivel de confianza
p = probabilidad de éxito, o proporción esperada
q = probabilidad de fracaso
e = precisión (Error máximo admisible en términos de proporción).
Ejercicios de aplicación
• ¿A cuántas familias tendríamos que estudiar para conocer la preferencia del
mercado en cuanto a las marcas de electrodomésticos, si se desconoce la
población total?
• ¿A cuántas familias tendríamos que estudiar para conocer la preferencia del
mercado en cuanto a las marcas de electrodomésticos, si se conoce que el
número de familias en el sector de interés es de 15.000?
Para ambos casos
Seguridad = 95%;
Precisión = 3%;
nmuestra=function(Confianza,p,e){ nmuestraN=function(Confianza,p,e,N){
alfa=(1-Confianza) alfa=(1-Confianza)
z=qnorm(Confianza+alfa/2) z=qnorm(Confianza+alfa/2)
q=1-p q=1-p
n0=z^2*p*q/e^2 n0=z^2*p*q/e^2
return(round(n0)) n1=n0/(1+(n0-1)/N)
} return(round(n1))
}
nmuestra(0.95,0.5,0.03) nmuestraN(0.95,0.5,0.03,10000)
nmuestra(0.95,0.5,0.05) nmuestraN(0.95,0.12,0.05,2500)
nmuestraN(0.99,0.5,0.09,500)
Estimación de parámetros
La inferencia estadística busca encontrar los valores que parametrizan a la
distribución desconocida de los datos.
El enfoque propuesto por Pearson, afirmaba que si era posible observa a la variable
de interés en todos y cada uno de los individuos de una población, entonces era
posible calcular los parámetros de la distribución de la variable de interés; por otro
lado, si solo se tenia acceso a una muestra representativa, entonces era posible
calcular una estimación de tales parámetros.
R(4.334; 5.666)
R(1.27; 4.58)
Ejemplos de aplicación
Se ha obtenido una muestra al azar de 150 vendedores de una Editorial
para estimar la proporción de vendedores en la Editorial que no alcanza un
límite de ventas mínimo establecido por la dirección.
De entre los seleccionados, 50 no han conseguido llegar al límite de ventas
mínimo establecido.
• Intervalo de confianza para la proporción de trabajadores en la Editorial
que no alcanza el límite al 80 %.
• Intervalo de confianza para la proporción de trabajadores en la Editorial
que no alcanza el límite al 99 %.
• Interprete los intervalos obtenidos.
R(0.28; 0.38)
Comandos en R
IC
#inferencia
poblacion<-rnorm(1000,47,6)
n=97
x<-runif(1000)
indices<-sample(1:length(poblacion),size=n,replace=FALSE)
plot(1:length(poblacion),poblacion)
muestra<-poblacion[indices]
points(indices,muestra,col="blue")
hist(muestra)
hist(poblacion)
hist(poblacion, freq=FALSE)
curve(dnorm(x,47,6),add=TRUE)
abline(h = 0, v = mean(poblacion), col = "blue")
mean(poblacion)
mean(muestra)
#distribución t, grados de libertad n-1
t<-qt(0.975,n-1)
mx<-mean(muestra)
li<-mx-t*sd(muestra)/sqrt(length(muestra))
ls<-mx+t*sd(muestra)/sqrt(length(muestra))
c(li,ls)
mean(poblacion)
abline(h = 0, v = li, col = "red")
abline(h = 0, v = ls, col = "red")
Comandos en R
Comandos en R
μ π
int.conf <- function(x, ic = 95) { int.conf.p <- function(x, cat, ic = 95){
y <- na.omit(x) vcat <- na.omit(x)
Media <- mean(y) p <- mean(ifelse(vcat==cat, 1, 0))
Desv.Est <- sd(y) n <- length(vcat)
N <- length(y) error.est.p <- sqrt((p*(1-p))/n)
Error.Est <- Desv.Est/sqrt(N) beta <- 1-(((100-ic)/100)/2)
ci.y <- 1-(((100-ic)/100)/2) error <- error.est.p * qt(beta, df = n-1)
Error <- Error.Est * qt(ci.y, df = N-1) lim.inf.p <- p - error
Lim.Inf <- Media - Error lim.sup.p <- p + error
Lim.Sup <- Media + Error result.p <- data.frame(p, n, error.est.p, error,
result <- data.frame(Media, Desv.Est, N, lim.inf.p, lim.sup.p)
Error.Est, Error, Lim.Inf, Lim.Sup) return(result.p)
return(result) }
}
int.conf(genero$p19ar) int.conf.p(genero$P32, "Hago …")
int.conf(genero$p19ar, ic=99) int.conf.p(genero$P32, "Hago ..", ic=99
int.conf(genero$p19ar, ic=90) int.conf.p(genero$P32, "Hago..", ic=90
Gracias